Análisis exploratorio frente a análisis explicativo

Tipos de análisis. Fuente: Knaflic (2019)**

• El análisis exploratorio: es lo que se hace para comprender los datos y averiguar qué puede ser digno de mención o interesante para otros. El análisis exploratorio es como buscar perlas en las ostras.

• El análisis explicativo: es lo que se hace para explicar los datos a otros. El análisis explicativo es como hacer joyas con las perlas.

Cuestiones clave

¿Dónde empezamos?. Fuente: Knaflic (2019)

¿Cómo nos comunicamos con el público?

Communication mechanism continuum. Fuente: Knaflic (2019)

¿Cómo organizamos el contexto?

• Historia en 3‐minutos:: Si sólo dispusieras de tres minutos para decirle a su público lo que necesita saber, ¿qué le dirías?

• La gran idea: la Gran Idea reduce el “qué” aún más: a una sola frase.

• Storyboard o representación visual de la historias: una serie de imágenes que representan las escenas clave de la historia.

¿Qué significa tidy? ¿Cuál de estas dos imágenes es más tidy?

Imagen tomada de: iStock

¡Acertaste!

Imagen adaptada de: iStock

Características de los datos tidy

• Cada variable forma una columna.

• Cada observación forma una fila.

• Cada tipo de unidad de observación forma una tabla.

Fuente: Wickham and Grolemund (2016)

¿Qué es un pipe?

En programación, un pipe (tubo) es una técnica que permite pasar información de un proceso a otro.

Fuente: https://static-bcrf.biochem.wisc.edu/courses/Tabular-data-analysis-with-R-and-Tidyverse/book/8-tidyverseanotherRuniverse.html

¿Cómo funciona el pipe de forma intuitiva?

Imagina la siguiente secuencia:

(i) find keys, (ii) unlock car, (iii) start car, (iv) drive to work y (v) park.

Expresado como un cojunto de funciones anidadas y pseudo-código R podría ser así:

park(drive(start_car(unlock(find("keys"))), to = "work"))

Utilizando pipes la lectura se hace más fácil y natural:

find("keys") |>
  unlock_car() |>
  start_car() |>
  drive(to = "work") |>
  park()

Importante: Cheatsheets en R

Cheatsheets

Fuente: https://posit.co/resources/cheatsheets/

Manos a la obra

¿Qué hay en un conjunto de datos?

Mapa del universo observable con los objetos astronómicos notables conocidos en la actualidad. Fuente: Wikipedia.

El conjunto de datos starwars

Fuente: https://datasciencebox.org

Terminología (común)

• Cada fila es una observación
• Cada columna es una variable

library("dplyr")
starwars

# A tibble: 87 × 14
  name      height  mass hair_color skin_color eye_color birth_year sex   gender
  <chr>      <int> <dbl> <chr>      <chr>      <chr>          <dbl> <chr> <chr> 
1 Luke Sky…    172    77 blond      fair       blue            19   male  mascu…
2 C-3PO        167    75 <NA>       gold       yellow         112   none  mascu…
3 R2-D2         96    32 <NA>       white, bl… red             33   none  mascu…
4 Darth Va…    202   136 none       white      yellow          41.9 male  mascu…
5 Leia Org…    150    49 brown      light      brown           19   fema… femin…
6 Owen Lars    178   120 brown, gr… light      blue            52   male  mascu…
# ℹ 81 more rows
# ℹ 5 more variables: homeworld <chr>, species <chr>, films <list>,
#   vehicles <list>, starships <list>

Tablas de datos (data.frames)

• Cada columna: variable (cuantitativa o cualitativa).

• Cada fila: elemento observado las características que representan las variables.

• La forma más común: data.frame.

• Para extraer una variable del data.frame se utiliza el operador $: nombre_dataframe$nombre_variable.

• Cada columna del data.frame es un vector (otra estructura de datos).

Algunas cuestiones básicas

¿Cuántas columnas (variables) tiene?

ncol(starwars)

[1] 14

¿Cuántas filas (observaciones) tiene?

nrow(starwars)

[1] 87

¿Cuál es la dimensión del dataset?

dim(starwars)

[1] 87 14

Tablas de datos (data.frames)

# la función head() muestra los primeros valores
head(starwars, 3)

# A tibble: 3 × 14
  name      height  mass hair_color skin_color eye_color birth_year sex   gender
  <chr>      <int> <dbl> <chr>      <chr>      <chr>          <dbl> <chr> <chr> 
1 Luke Sky…    172    77 blond      fair       blue              19 male  mascu…
2 C-3PO        167    75 <NA>       gold       yellow           112 none  mascu…
3 R2-D2         96    32 <NA>       white, bl… red               33 none  mascu…
# ℹ 5 more variables: homeworld <chr>, species <chr>, films <list>,
#   vehicles <list>, starships <list>

sw_name<-starwars$name

Una observación (el bueno): Luke Skywalker

Fuente: https://datasciencebox.org

Exploración del dataset starwars

De un vistazo (con la función glimpse()):

skimr::skim(starwars)

¿Qué conozco sobre Luke Skywalker (el bueno)?

# tidy
starwars|>
  filter(name=="Luke Skywalker")

# A tibble: 1 × 14
  name      height  mass hair_color skin_color eye_color birth_year sex   gender
  <chr>      <int> <dbl> <chr>      <chr>      <chr>          <dbl> <chr> <chr> 
1 Luke Sky…    172    77 blond      fair       blue              19 male  mascu…
# ℹ 5 more variables: homeworld <chr>, species <chr>, films <list>,
#   vehicles <list>, starships <list>